Shopping cart

Subtotal $0.00

View cartCheckout

Building better devs

TnewsTnews
  • Home
  • IA
  • GPT Redesenhou Chips da AMD: 1 Ano de Trabalho em 5 Meses
IA

GPT Redesenhou Chips da AMD: 1 Ano de Trabalho em 5 Meses

Email : 6

Um GPU inteiro reescrito por IA. E a AMD já mandou fabricar.

Engenheiros de chip passam anos otimizando circuitos. Ajustam rotas de dados, compartilham hardware entre unidades, espremem cada nanômetro de silício para ganhar 1% aqui, 2% ali. É um trabalho que exige décadas de experiência e um conhecimento absurdo de microarquitetura.

A OpenAI fez isso em cinco meses. Com um modelo de linguagem.

No dia 18 de novembro de 2026, a OpenAI publicou um relatório detalhando como seus modelos reescreveram o código SystemVerilog RTL de um GPU flagship da AMD e do seu próprio chip de inferência, o Jalapeño. Os resultados: até 14% de melhoria em PPA (Power, Performance, Area) no GPU da AMD e reduções de até 15% na área de células do Jalapeño. Algumas dessas mudanças já foram para fabricação.

Não estamos falando de um experimento acadêmico. A AMD confirmou os ganhos e incorporou parte das modificações em designs que já estão sendo manufaturados.

O que é PPA e por que 14% é surreal

PPA significa Power, Performance e Area, as três métricas que definem a qualidade de um design de chip. Menos consumo de energia, mais velocidade, menos espaço no silício. Melhorar uma delas sem piorar as outras já é difícil. Melhorar as três ao mesmo tempo é o santo graal da engenharia de semicondutores.

Para colocar em perspectiva: engenheiros seniores de chip design, com 15 a 20 anos de experiência, consideram 2 a 3% de ganho PPA num bloco já otimizado um resultado excelente num trimestre de trabalho. A OpenAI entregou 14% em um bloco de GPU que a AMD já havia otimizado por anos.

Componente Melhoria PPA
—
GPU flagship AMD (melhor caso) Até 14%
CPU flagship AMD (blocos-chave) Dígito único percentual
Jalapeño, unidade vetorial ~13% redução de área
Jalapeño, unidade matricial ~10% redução de área
Jalapeño, multiplicador específico ~15% menos área, latência de 2 para 1 ciclo

O número de 14% é o melhor caso em um IP específico do GPU, não uma média geral. Mas mesmo o “dígito único” nos blocos de CPU é impressionante quando o baseline já foi espremido por anos de otimização humana.

Como funciona: IA lendo e reescrevendo circuitos

O processo não é o que você imagina quando pensa em “IA otimizando chips”. Não é um ajuste de parâmetros nem uma busca por hiperparâmetros. O modelo literalmente lê o código SystemVerilog RTL, entende a microarquitetura e reescreve blocos inteiros de circuito.

SystemVerilog RTL (Register Transfer Level) é a linguagem que descreve como os circuitos de um chip se comportam. É o “código-fonte” do hardware. Cada linha define como dados fluem entre registradores, como operações são executadas, como o clock sincroniza tudo. Reescrever RTL é como refatorar o kernel de um sistema operacional: um erro e tudo para de funcionar.

O pipeline da OpenAI funciona em três etapas:

1. Raciocínio sobre o circuito. O modelo analisa o RTL existente e identifica oportunidades de otimização: computações que podem ser reestruturadas, hardware que pode ser compartilhado entre unidades, caminhos de dados que podem ser encurtados.

2. Reescrita do código. O modelo gera uma versão otimizada do RTL, aplicando técnicas que um microarquiteto experiente usaria: fusão de estágios de pipeline, eliminação de armazenamento intermediário redundante, implementações lógicas alternativas.

3. Verificação automatizada. Cada reescrita passa por ferramentas EDA (Electronic Design Automation) da Synopsys para confirmar que o circuito modificado se comporta exatamente como o original. As mesmas ferramentas medem o impacto em power, timing e área.

Esse último ponto é crucial. O modelo não está “chutando” otimizações e torcendo para funcionar. Cada mudança é verificada formalmente antes de ser considerada.

Jalapeño: a OpenAI projetando seu próprio chip

O Jalapeño é o primeiro chip customizado de inferência da OpenAI, desenvolvido em parceria com a Broadcom. Foi projetado para rodar LLMs com eficiência, reduzindo a dependência da empresa em GPUs da Nvidia.

A otimização do Jalapeño começou no início de 2025, usando o GPT-o3 mini. Os engenheiros da OpenAI alimentaram o modelo com o RTL das unidades vetorial e matricial do chip e pediram para ele encontrar formas de reduzir a área sem comprometer a funcionalidade.

Os resultados no Jalapeño são particularmente interessantes porque mostram o que acontece quando a IA redesenha componentes específicos:

Na unidade vetorial, o modelo otimizou somadores e multiplicadores de ponto flutuante, funções de conversão e lógica de redução. A unidade de funções especiais foi otimizada através de compartilhamento de hardware e redução de armazenamento intermediário. Resultado: 13% menos área de células padrão.

Na unidade matricial, os componentes de aritmética de ponto flutuante foram simplificados. Um redesign de multiplicador específico conseguiu 15% menos área e, ao mesmo tempo, reduziu a latência de dois ciclos de clock para um. Isso normalmente não acontece: reduzir área e latência simultaneamente é raro na engenharia de chips.

A lógica de produto escalar e a organização do pipeline foram refinadas em ambas as unidades. No total, a unidade matricial ficou 10% menor.

O chip foi do design inicial ao tapeout em nove meses, um ciclo significativamente mais curto que o normal para chips customizados.

GPT-Synopsys: quando a IA aprende a usar as ferramentas dos engenheiros

Em setembro de 2026, a OpenAI e a Synopsys anunciaram o GPT-Synopsys, um modelo especializado treinado para operar as ferramentas de EDA da Synopsys da mesma forma que engenheiros experientes fazem.

Isso é mais significativo do que parece. As ferramentas da Synopsys (Design Compiler, Fusion Compiler, PrimeTime) são softwares complexos que engenheiros levam anos para dominar. Cada ferramenta tem centenas de comandos, milhares de opções de configuração e fluxos de trabalho que variam conforme o tipo de chip, o nó de fabricação e os requisitos do projeto.

O GPT-Synopsys não substitui essas ferramentas. Ele as opera. É a diferença entre um robô que substitui um cirurgião e um assistente que entrega o bisturi certo na hora certa, ajusta o equipamento e sugere a melhor abordagem baseado em milhares de cirurgias anteriores.

Na prática, isso significa que o modelo pode:

  • Configurar fluxos de síntese e place-and-route automaticamente
  • Interpretar relatórios de timing e sugerir correções
  • Rodar análises de power e identificar hotspots
  • Iterar sobre designs até atingir os targets de PPA

Para a indústria de semicondutores, que já sofre com escassez de engenheiros seniores, isso pode ser transformador.

O que é SystemVerilog RTL (para quem nunca viu um chip por dentro)

Se você trabalha com software, pense no RTL como o “assembly do hardware”. Enquanto linguagens como Python ou Java descrevem o que um programa faz, SystemVerilog RTL descreve como os elétrons se movem dentro de um chip. Cada registrador, cada multiplexador, cada somador é definido em código.

Um bloco RTL típico de um multiplicador de ponto flutuante pode ter milhares de linhas. Cada linha importa. Uma otimização que remove um estágio de pipeline pode ganhar um ciclo de latência, mas pode violar constraints de timing em frequências altas. Uma reorganização de datapath pode reduzir área, mas aumentar o consumo de energia por causa de rotas mais longas.

É por isso que otimizar RTL manualmente é tão difícil e demorado. O engenheiro precisa ter na cabeça o modelo completo de como o circuito se comporta em termos de timing, power e área, tudo ao mesmo tempo. E cada mudança precisa ser verificada contra milhares de cenários de teste.

Quando a OpenAI diz que seu modelo “raciocina sobre RTL como um microarquiteto experiente”, é exatamente isso que significa: o modelo aprendeu a considerar todas essas tradeoffs simultaneamente.

Os benchmarks em RISC-V confirmam a tendência

Além do trabalho com AMD e Jalapeño, a OpenAI avaliou seus modelos em duas tarefas usando processadores RISC-V open-source: o PicoRV32 (um core de 32 bits para FPGA) e o Ibex (um processador embarcado de segurança).

A avaliação cobriu cinco gerações de modelos (GPT-o3 mini, GPT-5.6 Sol, GPT-6 Astra, GPT-6.1 Sol, GPT-6.2 Astra) em dois cenários:

Otimização de RTL existente: o modelo recebe um design pronto e precisa melhorar o throughput (instruções por segundo). Cada redesign é validado por simulação com verificações de corretude.

Design a partir de especificação: o modelo recebe requisitos escritos e templates, e escolhe a organização do dataflow e do pipeline por conta própria.

O resultado mais revelador: em todos os modelos, o design a partir de especificação superou a otimização de código existente. Quando o modelo começa do zero, sem as restrições de um design legado, ele produz resultados melhores.

Foram 9.881 runs avaliados no total, com orçamento de aproximadamente 112.000 tokens por execução. O GPT-6.2 Astra obteve a pontuação mais alta de forma consistente, praticamente dobrando o desempenho do GPT-6 Astra na otimização do PicoRV32.

As limitações que ninguém está discutindo

Antes de declarar que engenheiros de chip estão obsoletos, vale olhar os detalhes finos do relatório.

O número de 14% é um máximo, num IP específico do GPU. O relatório não detalha a distribuição entre power, performance e area, nem quais blocos específicos foram afetados. É possível que a maior parte do ganho venha de redução de área, que é a métrica mais “fácil” de melhorar comparada a timing e power.

O modelo às vezes descartou funcionalidades existentes durante as reescritas. Isso é um problema sério em produção: um bloco que é 14% mais eficiente mas perdeu suporte a um modo de operação específico não serve.

A verificação usou simulação, não síntese física completa com closure de timing. Na prática, ganhos em RTL nem sempre se traduzem diretamente para o silício final. O backend (place-and-route, otimização de clock tree, inserção de scan) pode comer parte dos ganhos.

E talvez o mais importante: os designs a partir de especificação, que tiveram os melhores scores, podiam omitir features presentes nos cores originais (contadores de performance, instruções adicionais). Isso potencialmente infla os resultados.

Nada disso invalida o trabalho. Mas transforma a narrativa de “IA é melhor que engenheiros” para algo mais preciso: “IA é uma ferramenta poderosa que acelera o trabalho de engenheiros seniores”.

O que isso significa para a indústria de semicondutores

A indústria de chips tem um problema crônico: faltam engenheiros. Um engenheiro de verificação sênior nos EUA ganha mais de 300 mil dólares por ano, e ainda assim as vagas ficam abertas por meses. Formar um profissional de chip design leva de 5 a 10 anos de experiência prática após a graduação.

Já vimos a IA criando uma CPU do zero em 7nm. Se modelos de IA conseguem comprimir um ano de trabalho de otimização em cinco meses, o impacto imediato não é desemprego, é aumento de produtividade. Empresas menores, que antes não tinham orçamento para contratar times de 50 engenheiros de RTL, podem competir com players maiores.

A Cadence, Siemens e a própria Synopsys já anunciaram agentes de IA para geração de RTL que, em alguns casos, dobram ou até quintuplicam a produtividade. O movimento da OpenAI com o GPT-Synopsys não é isolado: é parte de uma tendência que está reconfigurando toda a cadeia de design de semicondutores.

Para startups de chips (como a Cerebras, que roda 3 trilhões de parâmetros sem GPU), isso reduz a barreira de entrada de forma significativa. Projetar um ASIC customizado costumava exigir um investimento de dezenas de milhões em engenharia antes mesmo de mandar o primeiro design para fabricação. Se a IA consegue fazer o primeiro draft de RTL e otimizar iterativamente com verificação automatizada, o custo de engenharia cai drasticamente.

E para quem escreve software?

Se você é dev e está lendo isso pensando “legal, mas o que isso tem a ver comigo?”, a resposta é: mais do que você imagina.

O mesmo padrão que a OpenAI aplicou em chip design (IA lendo código existente, entendendo a arquitetura, reescrevendo com otimizações) é exatamente o que ferramentas como o Copilot, Claude Code e Cursor fazem com software. A diferença é que, em chip design, cada “deploy” custa milhões de dólares e leva meses para validar. O bar de qualidade é absurdamente mais alto.

Se a IA consegue operar nesse nível de criticidade em hardware, o software é o próximo passo natural. Não “escrever código” no sentido de autocompletar funções, mas sim: ler uma codebase inteira, entender a arquitetura, identificar gargalos de performance e reescrever módulos inteiros com ganhos mensuráveis.

Já estamos vendo isso acontecer. A pergunta não é “se”, mas “quando” essa capacidade vai ficar acessível para qualquer time de desenvolvimento.

O chip que a IA projetou já está sendo fabricado

Essa talvez seja a parte mais importante de toda essa história, e a mais fácil de ignorar no meio dos números. A AMD não só validou os resultados: ela incorporou mudanças propostas pelo modelo em designs que já foram para fabricação. Outras modificações foram adicionadas aos arquivos de produção para versões futuras.

Isso não é um paper. Não é um benchmark. É silício real, sendo fabricado em foundries reais, que vai parar dentro de servidores e PCs reais. A IA não está mais “mostrando potencial” em chip design. Ela está entregando resultados em produção.

A próxima vez que você comprar um GPU ou CPU da AMD, parte do design pode ter sido otimizado por um modelo de linguagem. E você provavelmente nem vai notar a diferença, porque o chip vai simplesmente funcionar melhor.


Fonte de inspiração: Advancing chip design with OpenAI models

Leave a Reply

Your email address will not be published. Required fields are marked *

Related Posts